Repolode
Enviar
lmcinnes

lmcinnes/umap

Biblioteca Python para UMAP, um método não linear de redução de dimensionalidade usado em visualizações e como etapa de pré-processamento para machine learning.

Ver no GitHubSite
Estrelas
8,288
Forks
880
Issues abertas
539
Último commit
há 3 dias

O que é?

UMAP (Uniform Manifold Approximation and Projection) é uma técnica de redução de dimensionalidade que projeta dados de alta dimensão em um espaço de baixa dimensão, geralmente 2D ou 3D para visualização. Pode ser usado de forma semelhante ao t-SNE e também como uma etapa genérica de redução antes de tarefas de clustering ou outras tarefas de machine learning.

O pacote segue a API do scikit-learn, então pode ser chamado com fit_transform e usado em pipelines do sklearn. Entre os principais parâmetros estão n_neighbors, que equilibra as estruturas local e global; min_dist, que controla o quão próximos os pontos ficam; e metric, que aceita várias funções de distância, incluindo cosine e correlation. Também aceita matrizes esparsas como entrada e permite adicionar novos pontos a uma projeção existente usando transform.

Além do algoritmo principal, a biblioteca inclui o subpacote umap.plot para plotar projeções, uma variante chamada Parametric UMAP que treina uma rede neural (requer TensorFlow) e o densMAP, que também preserva informações sobre a densidade local. A instalação pode ser feita via pip ou conda-forge.

Recursos principais

  • 01API no estilo do scikit-learn, compatível com substituição direta, com métodos fit e transform
  • 02Aceita várias métricas de distância, incluindo métricas não métricas, como cosine e correlation
  • 03Aceita matrizes esparsas como entrada
  • 04Permite redução de dimensionalidade supervisionada e semissupervisionada por meio do parâmetro y
  • 05Inclui umap.plot para plotar projeções e densMAP para preservar a densidade

Casos de uso

  • Visualizar conjuntos de dados de alta dimensão, como embeddings ou dados de célula única, em 2D
  • Reduzir a dimensionalidade antes de executar algoritmos de clustering, como HDBSCAN
  • Adicionar UMAP como etapa de pré-processamento em um pipeline do scikit-learn

Início rápido

  1. 1

    Instalar via pip

    pip install umap-learn
  2. 2

    Instalar via conda (conda-forge)

    conda install -c conda-forge umap-learn
  3. 3

    Ajustar e transformar dados em Python: execute `import umap` e, em seguida, chame `umap.UMAP().fit_transform(data)`

Antes de usar

  • Parametric UMAP precisa do TensorFlow, que deve ser instalado separadamente.

Em coleções

Diagramas, gráficos e visualizações animadas

Tópicos

#dimensionality-reduction#machine-learning#visualization#manifold-learning#clustering#python#topological-data-analysis#umap

Perguntas frequentes

O que é umap?
Biblioteca Python para UMAP, um método não linear de redução de dimensionalidade usado em visualizações e como etapa de pré-processamento para machine learning. UMAP (Uniform Manifold Approximation and Projection) é uma técnica de redução de dimensionalidade que projeta dados de alta dimensão em um espaço de baixa dimensão, geralmente 2D ou 3D para visualização. Pode ser usado de forma semelhante ao t-SNE e também como uma etapa genérica de redução antes de tarefas de clustering ou outras tarefas de machine learning.
umap é gratuito? Qual é a licença?
umap é open source sob a licença BSD-3-Clause. Confira os termos da licença antes de usá-lo em produtos comerciais.
umap ainda é mantido?
Manutenção ativa. O último commit de umap foi em 3 de nov. de 2026.
Para que posso usar umap?
Visualizar conjuntos de dados de alta dimensão, como embeddings ou dados de célula única, em 2D Reduzir a dimensionalidade antes de executar algoritmos de clustering, como HDBSCAN Adicionar UMAP como etapa de pré-processamento em um pipeline do scikit-learn
Como instalar umap?
Instalar via pip: pip install umap-learn Instalar via conda (conda-forge): conda install -c conda-forge umap-learn Ajustar e transformar dados em Python: execute `import umap` e, em seguida, chame `umap.UMAP().fit_transform(data)`
Onde consigo umap?
O código-fonte e as instruções de instalação estão no GitHub: https://github.com/lmcinnes/umap

Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.

Projetos relacionados